Datakomprimering är en av de uppgifter som löses av neurala nätverk . Liksom all komprimering är lösningen av detta problem baserad på eliminering av informationsredundans i insignalen (bilden).
Till skillnad från traditionella komprimeringsmetoder - matematisk beräkning och redundansborttagning - utgår ett neuralt nätverk, när man löser ett kompressionsproblem, från överväganden om brist på resurser. Nätverkets topologi och dess inlärningsalgoritm är sådana att högdimensionell data måste överföras från det neurala nätverkets ingång till dess utgångar genom en relativt liten kanal. För att implementera komprimering av detta slag kan en flerskiktsperceptron av följande arkitektur användas: antalet neuroner i ingångs- och utgångsskikten är detsamma och lika med dimensionen av den komprimerade datan; mellan dessa skikt finns ett eller flera mellanliggande skikt av mindre storlek. Antalet mellanliggande lager bestämmer graden av komplexitet för datatransformation. Till exempel kan ett nätverk med tre mellanlager utföra den bästa komprimeringen av träningsdata, men kan ge sämre resultat i verkliga situationer. Detta beror på det faktum att i de initiala uppgifterna kan någon form av beroende av misstag bildas, vilket inte har något med verkligheten att göra.
Initialdata för nätverket kompileras på ett sådant sätt att utgångarna alltid har samma uppsättning signaler som ingången. Under drift minimerar algoritmen för återförökning av fel felet. Detta innebär att vikten av anslutningar från ingångsskiktet av neuroner och, ungefär, till mittskiktet kommer att fungera på signalkomprimering, och resten - på dess dekompression. I praktisk användning är det resulterande nätverket uppdelat i två. Utsignalen från det första nätverket sänds över en kommunikationskanal och matas till ingången på det andra, som utför dekompression.
Ett annat sätt att lösa komprimeringsproblemet är att använda autoassociativt minne , såsom Hopfield-nätverket , eftersom det har förmågan att återställa en signal från sin skadade bild.